CN117392112A - 一种晶圆表面缺陷的检测方法、装置及系统 - Google Patents
一种晶圆表面缺陷的检测方法、装置及系统 Download PDFInfo
- Publication number
- CN117392112A CN117392112A CN202311532097.6A CN202311532097A CN117392112A CN 117392112 A CN117392112 A CN 117392112A CN 202311532097 A CN202311532097 A CN 202311532097A CN 117392112 A CN117392112 A CN 117392112A
- Authority
- CN
- China
- Prior art keywords
- defect
- wafer
- detected
- area
- defect type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 569
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000000877 morphologic effect Effects 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 239000000126 substance Substances 0.000 claims description 50
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 19
- 238000013136 deep learning model Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 239000004065 semiconductor Substances 0.000 abstract description 3
- 235000012431 wafers Nutrition 0.000 description 260
- 238000011109 contamination Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000002950 deficient Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000000227 grinding Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000005498 polishing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开公开了一种晶圆表面缺陷的检测方法、装置及系统,属于半导体制造技术领域,包括:获取待测晶圆的多个采集图像;对所述多个采集图像中的每一个进行分割,获得待测缺陷区域;结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型。结合形态特征分析和深度学习对缺陷进行识别和分类,减少过检情况的发生,避免将普通脏污识别为严重缺陷而导致晶圆淘汰。
Description
技术领域
本公开涉及半导体制造技术领域,尤其涉及一种晶圆表面缺陷的检测方法、装置及系统。
背景技术
半导体领域中,通过直拉法晶体生长设备制备出单晶硅棒,进而对单晶硅棒进行包含切片等一系列工业加工后,制备出单晶硅晶圆片,后文统称晶圆。在晶圆运输或生产过程中因摩擦、刮蹭、磕碰或化学药液浸染等原因,导致的崩边、划伤、化学脏污等缺陷是晶圆表面最主要的几种缺陷。包含此类缺陷的晶圆如果不能被有效检出而流入后序工艺,则此类晶圆很容易引起后序抛光工艺过程出现碎片问题,进而导致抛光设备故障宕机,损坏设备,造成严重的经济损失。
因此,对晶圆的各种缺陷进行评价是非常重要的一个环节,例如:崩边、划痕、颗粒、化学赃物、缺损、隐裂等缺陷。使用人工复检的方式进行检测,此方式具有很大的局限性。首先,人工判别会消耗大量的人力资源成本;其次,人工判别偏向于主观判别,会因为复检员的状态导致复检结果存在差异;最后,人眼睛的精度无法达到相机的精度,依旧会导致一定程度的漏检。因此,针对晶圆表面外观的缺陷检测问题,需要一种准确、稳定、高效的检测方法,提高质检水平,并为前序工艺提供改进方向及建议。
发明内容
有鉴于此,本公开期望提供一种晶圆表面缺陷的检测方法、装置及系统;能够准确识别晶圆表面缺陷。
本公开的技术方案是这样实现的:
第一方面,本公开提供了一种晶圆表面缺陷的检测方法,包括:
获取待测晶圆的多个采集图像;
对所述多个采集图像中的每一个进行分割,获得待测缺陷区域;
结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型。
在一些示例中,所述对所述多个采集图像中的每一个进行分割,获得待测缺陷区域,包括:
从所述采集图像中获取晶圆区域图像;
分别根据各缺陷类型对应的分割阈值,获取所述晶圆区域图像中与各缺陷类型分别对应的待测缺陷区域。
在一些示例中,所述结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型,包括:
根据缺陷类型对应的形态特征识别准确率,将缺陷类型分为第一缺陷类型或第二缺陷类型,其中,所述第一缺陷类型的形态特征识别准确率大于所述第二缺陷类型的形态特征识别准确率;
对于所有待检测缺陷区域中每一个与所述第一缺陷类型对应的第一待测缺陷区域,通过形态特征分析识别所述每一个第一待测缺陷区域所表征的缺陷类型;
对于所有待测缺陷区域中的每一个与所述第二缺陷类型对应的第二待测缺陷区域,联合形态特征分析和深度学习识别所述每一个第二待测缺陷区域所表征的缺陷类型。
在一些示例中,所述对于所有待测缺陷区域中的每一个与所述第二缺陷类型对应的第二待测缺陷区域,联合形态特征分析和深度学习识别所述每一个第二待测缺陷区域所表征的缺陷类型,包括:
对于所有第二缺陷类型中的每一个第二缺陷类型对应的所有第二待测缺陷区域,按照所述每一个第二缺陷类型对应的形态特征判定条件进行筛选,获得所述每一个第二缺陷类型对应的候选区域;其中,所述每一个第二缺陷类型对应的形态特征判定条件包括若干个特征组成的特征集及所述特征集中每个特征的特征值范围;
将所有候选区域中的每一个候选区域的图像输入至用于缺陷识别的深度学习模型,获得所述模型输出的疑似缺陷类型;
基于所述每一个第二缺陷类型和所述疑似缺陷类型确定所述每一个候选区域所表征的缺陷类型。
在一些示例中,所述基于所述每一个第二缺陷类型和所述疑似缺陷类型确定所述每一个候选区域所表征的缺陷类型,包括:
如果所述疑似缺陷类型与所述每一个第二缺陷类型相同,所述每一个候选区域所表征的缺陷类型为所述疑似缺陷类型;
如果所述疑似缺陷类型与所述每一个第二缺陷类型不同,所述每一个候选区域所表征的缺陷类型为脏污。
第二方面,本公开提供了一种晶圆表面缺陷的检测装置,包括图像获取部分、提取部分、识别部分,其中,
所述图像获取部分,经配置为:获取待测晶圆的多个采集图像;
所述提取部分,经配置为:对所述多个采集图像中的每一个进行分割,获得待测缺陷区域;
所述识别部分,经配置为:结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型。
第三方面,本公开提供了一种晶圆表面缺陷的检测系统,所述系统包括:
扫描相机,被配置为:通过多次扫描待测晶圆,采集待测晶圆的多个采集图像;
光源,被配置为:采集所述待测晶圆的采集图像时照射所述待测晶圆的表面;
计算设备,被配置:执行时实现第一方面所述晶圆表面缺陷的检测方法和步骤。
在一些示例中,所述扫描相机、所述光源与所述待测晶圆同轴设置,所述光源位于所述扫描相机与所述待测晶圆之间,采集所述待测晶圆的采集图像时,所述光源的光线垂直照射所述待测晶圆表面。
本公开提供了一种表面缺陷的检测方法、装置及系统;结合形态特征分析和深度学习对缺陷进行识别和分类,减少过检情况的发生,避免将普通脏污识别为严重缺陷而导致晶圆淘汰。深度学习算法为了能够达到较好的缺陷识别效果,需要大量的训练数据,需要更多的计算资源。结合基于形态特征分析和深度学习分析进行缺陷识别,能够更好地平衡计算资源和缺陷识别准确率。
附图说明
图1为本公开提供的一种晶圆表面缺陷的检测方法实施环境示意图;
图2为本公开提供的一种晶圆表面缺陷的检测方法流程示意图;
图3为本公开提供的一种晶圆正面图像采集装置示意图;
图4为本公开提供一种晶圆反面图像采集装置示意图;
图5为本公开提供一个晶圆反面图像采集示意图;
图6为本公开提供另一个晶圆反面图像采集示意图;
图7为本公开提供采集获得的一个待测晶圆的采集图像示意图;
图8为本公开提供的待测晶圆的采集图像的晶圆区域分割示意图;
图9为本公开提供的一种晶圆表面缺陷的检测装置示意图;
图10为本公开提供的一个晶圆表面缺陷识别的实施流程示意图;
图11为本公开提供的深度学习模型的训练数据示意图。
具体实施方式
本公开中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
发明实施例中的术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本公开和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本公开的限制。
为了更清楚地说明本公开或现有技术中的技术方案,下面将结合本公开中的附图,对本公开中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
参见图1,其示出了本公开所提供一种实施环境示意图。在图1中,待测晶圆W平放至固定部件40上,光源20向待测晶圆W发射光束。扫描相机10采集光束经由待测晶圆W表面的反射光线或散射光线,生成待测晶圆W的图像并传输至计算设备30。计算设备30可以根据接收到的待测晶圆的采集图像执行本公开的技术方案,从而识别待测晶圆的表面缺陷类型。
需要说明的是,图1所示的实施环境仅作为示例性说明,并不作为任何限定。可以理解地,本领域技术人员可以通过其他方式或系统采集待测晶圆W的表面图像,本公开对比不做赘述。
参见图2,其示出了本公开提供的一种晶圆表面缺陷的检测方法,该方法可以由图1中所示的计算设备30执行,该方法可以包括:
S201:获取待测晶圆的多个采集图像;
采用光学方法检测晶圆表面缺陷时,光源发射检测光线,在晶圆外部以特定角度照射晶圆表面,通过扫描相机在特定角度探测被缺陷散射或反射的检测光线,以采集待测晶圆表面图像,获取待测晶圆的采集图像。
可选的,在一些示例中,扫描相机可以是面阵相机或线阵相机。
可选的,在一些示例中,待测晶圆的多个采集图像可以是一个或多个扫描相机同时采集整个待测晶圆的图像;也可以是多个扫描相机同时分别采集待测晶圆的不同区域,获得多个待测晶圆的不同区域的图像;也可以是多个扫描相机分别采集待测晶圆的不同区域,经拼接形成一个整个的待测晶圆的图像;也可以是一个扫描相机对待测晶圆进行多次扫描,采集待测晶圆不同区域的图像,形成多个待测晶圆的采集图像;也可以是单个扫描相机多次扫描,获得多个待测晶圆的部分区域图像,经过拼接获得整个的待测晶圆的图像。如图3所示的一种晶圆正面图像采集装置示意图中,扫描相机10对待测晶圆W的一个表面进行6次扫描,经过拼接获得待测晶圆W的一个表面的完整图像。
可选的,在一些示例中,通过单个扫描相机对待测相机的一个表面进行多次扫描时,可以通过固定扫描相机、移动待测晶圆来实现,也可以通过移动扫描相机、固定待测晶圆实现。
可选的,在一些示例中,扫描相机扫描获得的待测晶圆的采集图像可以是晶圆正面图像,也可以是晶圆的反面图像。扫描待测晶圆的正面的扫描相机,与扫描待测晶圆反面的扫描相机可以是同一组相机,也可以通过设置多组相机完成扫描。通过同一组相机采集待测晶圆正反面图像时,可以通过调整装置调整相机与光源位置、固定待测晶圆位置来实现,或者固定扫描相机与光源位置、调整待测晶圆方向来实现,或者同时调整扫描相机、光源以及待测晶圆来实现。通过多组不同的扫描相机分别扫描待测晶圆的正面和反面,可以降低调整装置的复杂度,提升待测晶圆图像采集的效率。
可选的,在一些示例中,采集待测晶圆的正面图像时,如图3所示,采用吸盘托举的方式固定待测晶圆。采集待测晶圆的反面图像时,如图4所示的晶圆反面图像采集装置示意图中,采用夹爪夹持方式固定待测晶圆。上述方式可以避免翻转待测晶圆,降低调整晶圆位置的复杂度。
可选的,在一些示例中,采集待测晶圆的反面图像时,采用夹爪夹持方式固定待测晶圆,包括:
采集待测晶圆的反面图像时,通过两组夹爪交替固定待测晶圆。
举例来说,采用如图4所示的采集装置采集待测晶圆图像时,如图5所示的一个晶圆反面图像采集示意图中,首先使用夹爪402夹持待测晶圆,夹爪401不夹持待测晶圆,此时扫描待测晶圆未被夹持的部分,即采集获得图5中区域1、区域2和区域6的图像。然后,收紧夹爪401,并在收紧夹爪401后松开夹爪402,如图6所示的另一个晶圆反面图像采集示意图,继续扫描待测晶圆获得图6中区域3、区域4、区域5的图像。上述示例通过6次扫描获得待测晶圆的所有区域的图像,根据扫描部位更换夹爪夹持,可避免因夹爪遮挡晶圆造成的缺陷漏检。
采集获得的晶圆图像质量依赖于扫描相机、光源以及前两者和晶圆表面之间的角度和位置关系。在晶圆加工的过程中,通过研磨、抛光以获得光洁、平整的晶圆表面。由于研磨或抛光而残留的磨轮印,在满足质量要求下,不希望被识别为缺陷。这种磨轮印通常具有比较规则的纹路,磨轮印的深度比需要识别出来的划痕缺陷深度浅。为了避免满足质量标准的晶圆的磨痕被识别为划痕缺陷,在一些示例中,本公开通过采用同轴光源照射待测晶圆表面,以减弱磨轮印在采集的待测晶圆图像中的成像效果。如图3所示,扫描相机10、同轴光源20与待测晶圆W同轴设置。同轴光源20位于扫描相机10与待测晶圆W之间。同轴光源20的光线垂直均匀照射待测晶圆W的表面,经垂直反射后到达同轴光源上方的扫描相机10,获得待测晶圆W的表面图像。垂直光线在磨痕反射之后,光线角度变化较小,在采集的图像中灰度变化不明显,从而避免被误识别为划痕缺陷。
S202:对所述多个采集图像中的每一个进行分割,获得待测缺陷区域;
采集获得的待测晶圆W的表面图像中包含了晶圆区域和背景区域,如图7所示的一个待测晶圆的采集图像示意图中,中间圆形区域为晶圆区域,圆形与图像边界中间的部分为背景区域。晶圆区域的图像中存在有多个不同类型的缺陷同时出现的情况。为了对缺陷进行准确识别,避免背景区域干扰缺陷识别过程,在一些示例中,对所述多个采集图像中的每一个进行分割,获得待测缺陷区域,包括:
从所述采集图像中获取晶圆区域图像;
对所述晶圆区域图像进行阈值分割,获得待测缺陷区域。
详细来说,首先通过将晶圆区域图像从背景中分割出来,避免对背景区域的数据处理,减少了数据处理量,提升处理效率。然后,基于分离出来的晶圆区域的图像进行进一步分割,获得待测缺陷区域。基于晶圆表面缺陷在待测晶圆表面位置分布的不同、不同缺陷图像灰度不同,可以分割获得多个待测缺陷区域。
可选的,在一些示例中,所述从所述采集图像中获取晶圆区域图像,包括:
对所述采集图像中的每一个进行边缘检测和阈值分割,获得晶圆轮廓像素集合;
基于所述晶圆轮廓像素集合进行圆拟合,获得第一晶圆区域;
对所述采集图像中的每一个进行二值化处理,获得第二晶圆区域;
合并所述第一晶圆区域和所述第二晶圆区域,获得最终晶圆区域;
所述采集图像中在所述最终晶圆区域内的部分为晶圆区域图像。
详细来说,待测晶圆的边缘与背景区域具有明显的边界,通过边缘检测可以筛选晶圆轮廓的像素。对待测晶圆的采集图像进行边缘检测,即对待测晶圆的采集图像中的每一个像素通过边缘检测算子进行滤波,返回滤波值到对应的像素,获得梯度图像。通过对经过边缘检测的图像像素进行阈值分割筛选,获得晶圆轮廓周围的像素。对晶圆轮廓周围的像素进行圆弧拟合,圆形内部或圆弧内部的区域即是第一晶圆区域。如图7所示的待测晶圆的采集图像中,由于晶圆边缘为弧面,这导致晶圆边缘区域成像情况较为复杂,某些特殊情况下会出现圆弧拟合失败的情况,这与晶圆位置、拍摄环境、圆弧拟合成功率都有关系。基于待测晶圆的边缘与背景区域具有明显的灰度差异,可以基于灰度值对晶圆区域进行分割,获得第二晶圆区域。结合第一晶圆区域和第二晶圆区域,获得最终的晶圆区域。
可选的,在一些示例中,所述对所述采集图像中的每一个进行边缘检测和阈值分割,获得晶圆轮廓像素集合,包括:
采用Prewitt算子对所述待测晶圆的采集图像进行卷积运算,获得梯度图像,如下式所示:
其中,A表示待测晶圆的采集图像,Gx表示沿x轴方向的梯度图像,Gy表示沿y轴方向的梯度图像,G表示融合的梯度图像;
根据边缘梯度阈值对所述梯度图像中的像素筛选,获得晶圆轮廓像素集合:
E晶圆边缘点={Ei|Ei G>GredientThr,Ei∈A}
其中,E晶圆边缘点表示提取到的晶圆轮廓像素集合,Ei表示E晶圆边缘点中的第i个像素,Ei G表示梯度图像中第i个像素的梯度值。
详细来说,本公开中采用Prewitt算子对待测晶圆的采集图像进行梯度计算。梯度为像素灰度值变化的速度。为x轴方向边缘检测算子,Gx表示待测晶圆的采集图像x轴方向灰度变化程度。/>为y轴方向边缘检测算子,Gy表示待测晶圆的采集图像y轴方向灰度变化程度。G为梯度的模,表示在最大变化率方向上的变化量。通过Prewitt算子对待测晶圆的采集图像从上到下、从左到右逐个像素进行遍历,计算每个像素的梯度值,获得待测晶圆的采集图像的梯度图像。一般地,晶圆边缘区域的像素灰度值与背景区域灰度值具有明显的变化,对应的梯度值相对较大。对梯度图像中的像素按照边缘梯度阈值进行筛选,符合条件的像素作为晶圆轮廓像素集合。
可选的,在一些示例中,所述基于所述晶圆轮廓像素集合进行圆拟合,获得第一晶圆区域,包括:
基于所述晶圆轮廓像素集合通过最小二乘法拟合圆,获得拟合圆的参数:
其中,Q(a,b,c)表示所有样本点的误差和,表示像素Ei的x轴坐标,/>表示像素Ei的y轴坐标,a、b、c分别为圆一般式方程x2+y2+ax+by+c=0中的未知系数。
根据由所述拟合圆的参数确定的圆弧获得第一晶圆区域。
详细来说,基于待测晶圆的采集图像建立平面坐标系,上述筛选获得的晶圆轮廓像素集合中像素的x轴坐标为y轴坐标为/>基于晶圆轮廓像素集合进行圆拟合,是求解获得一个圆形,使得晶圆轮廓像素集合中的像素到该圆形或圆弧的距离平方和最小。当待测晶圆的采集图像为晶圆部分区域图像,则进行圆弧拟合。当待测晶圆的采集图像为一个完整的晶圆图像,则进行圆拟合。拟合的圆形或者圆弧一般由圆心坐标和半径大小来确定。基于晶圆轮廓像素集合通过最小二乘法拟合圆的过程,即是求解圆心坐标和半径这三个参数的过程。可以使用a、b、c表示拟合圆的圆心坐标和半径相关的参数,圆心坐标为半径为/>
举例来说,如图8所示的待测晶圆的采集图像的晶圆区域分割示意图中,801为由6张采集的图像拼接获得的一个完整晶圆图像的边界,802为晶圆区域边界,803为一次采集待测晶圆的采集图像边界。当对一次采集的待测晶圆部分区域图像即803边界内的图像进行处理时,对筛选的晶圆轮廓像素集合进行拟合后的圆弧为圆弧804。根据由所述拟合圆的参数确定的圆弧获得第一晶圆区域。举例来说,图8中,对于一次采集的待测晶圆的采集图像803来说,拟合获得圆弧804内侧与边界803组成的区域即是第一晶圆区域。当处理的待测晶圆的采集图像为拼接后的一个完整晶圆图像时,拟合的圆形为边界802,拟合圆802内的区域为第一晶圆区域。
可选的,在一些示例中,所述对所述采集图像中的每一个进行二值化处理,获得第二晶圆区域,包括:
设置晶圆区域灰度阈值,对所述待测晶圆的采集图像进行二值化,获得二值图像:
其中,binimg(i,j)表示所述二值图像中第i行第j列像素的值,A(i,j)表示所述待测晶圆的采集图像中第i行第j列像素的灰度值,GrayThr表示晶圆区域灰度阈值;
所述二值图像中像素值为255的区域为第二晶圆区域。
可选的,在一些示例中,对所述晶圆区域图像进行阈值分割,获得待测缺陷区域,包括:
分别根据各缺陷类型对应的分割阈值,获取所述晶圆区域图像中与各缺陷类型分别对应的待测缺陷区域。
详细来说,不同类别的缺陷,灰度值范围不同。根据缺陷类型设置对应的分割阈值,对晶圆区域图像按照分割阈值筛选该缺陷类型的缺陷像素,进一步通过连通域分析获得该缺陷类型对应的待测缺陷区域。举例来说,一般地,划伤缺陷为凹陷缺陷,在图像中凹陷部分区域的灰度值比较小。通过设置合适的划伤缺陷分割阈值,晶圆区域图像中像素灰度值小于划伤缺陷阈值的像素被筛选出来,获得划伤缺陷像素。对筛选出来的划伤缺陷像素进行连通域分析,获得多个划伤缺陷连通域。属于同一个连通域的缺陷像素组合的区域,作为划伤缺陷对应的一个待测缺陷区域。可以理解地,对于其他类型的缺陷,可以通过设置对应的分割阈值,获得其他类型对应的多个待测缺陷区域。不同缺陷类型的分割阈值的设置可以根据像素灰度值的分布特征进行动态设置,也可以基于缺陷灰度值的学习算法获得,也可以根据经验进行设定。
可选的,在一些示例中,分别根据各缺陷类型对应的分割阈值,获取所述晶圆区域图像中与各缺陷类型分别对应的待测缺陷区域,包括:
分别根据化学脏污缺陷分割阈值、崩边缺陷分割阈值、划伤缺陷分割阈值,获取所述晶圆区域图像中对应的化学脏污待测缺陷区域、崩边待测缺陷区域、划伤待测缺陷区域。
可选的,在一些示例中,分别根据各缺陷类型对应的分割阈值,获取所述晶圆区域图像中与各缺陷类型分别对应的待测缺陷区域,包括:
对于化学脏污缺陷,设置化学脏污缺陷分割阈值;
对于崩边缺陷,设置崩边缺陷分割阈值;
对于划伤缺陷,设置划伤缺陷分割阈值;
根据所述化学脏污缺陷分割阈值对所述晶圆区域图像进行分割以及连通域分析,获得待测缺陷区域为化学脏污待测缺陷区域;
根据所述崩边缺陷分割阈值对所述晶圆区域图像进行分割以及连通域分析,获得待测缺陷区域为崩边待测缺陷区域;
根据所述划伤缺陷分割阈值对所述晶圆区域图像进行分割以及连通域分析,获得待测缺陷区域为划伤待测缺陷区域。
需要说明的是,不同的缺陷可以设置不同的阈值。通过不同的缺陷类型分割阈值对晶圆区域图像进行分割,获得各缺陷类型对应的多个待测缺陷区域。对不同缺陷类型的待测缺陷区域分割过程相互独立,可以采用并行处理以提高处理效率。
S203:结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型。
对于晶圆中常见的缺陷类型,比如化学脏污缺陷、崩边缺陷和划伤缺陷,其在晶圆表面均具有特定的形貌特征,这些形貌特征能够通过图像中的特征值进行表征。这些特征值可以包括该待测缺陷区域的面积、长宽比、圆度、平均灰度值、长度、宽度、方向角、最小外接矩形长宽比、最小外接矩形填充率、最小外接圆形填充率等。通过对形态特征进行判断,可以对缺陷的类别和严重程度进行识别。比如最小外接矩形长宽比、最小外接圆填充率可以判断缺陷外形是线型还是圆形。通过灰度平均值可以判断缺陷是凸起还是凹陷。
可选的,在一些示例中,针对每一个缺陷类型,基于图像形态特征的缺陷识别通过设定的特征集及特征值范围进行判定。
需要说明的是,对于每一个缺陷类型,并不需要使用所有的特征值来对该缺陷类型进行判定。对于每一个缺陷类型,用于判定该缺陷类型的若干个特征组成的特征集及特征集中每个特征的特征值范围,形成该缺陷类型的形态特征判定条件。
可选的,在一些示例中,化学脏污缺陷对应的特征集包括面积、宽度、短轴长度、最小外接圆填充率。化学脏污缺陷对应的特征集及特征集中每个特征的特征值范围构成了化学脏污缺陷的形态特征判定条件。崩边缺陷对应的特征集包括面积、宽度、长轴长度、最小外接矩形长宽比、最小外接圆填充率、缺陷与晶圆边缘的最小距离。由于崩边缺陷必定位于晶圆边界,因此通过缺陷与晶圆边缘的最小距离继续判断缺陷是否贴近晶圆边缘,排除远离晶圆边缘的缺陷。崩边缺陷对应的特征集及特征集中每个特征的特征值范围构成了崩边缺陷的形态特征判定条件。划伤缺陷对应的特征集包括面积、宽度、最小外接矩形长宽比、最小外接圆填充率、密实度识。划伤缺陷对应的特征集及特征集中每个特征的特征值范围构成了划伤缺陷的形态特征判定条件。
基于形态特征的缺陷识别,通常对计算资源的要求较低,但是对复杂的缺陷的识别准确率不高。
深度学习通常通过人工神经网络建立模型,通过多个层次的非线性变换来学习数据的复杂特征。深度学习算法基于大量训练数据集,进行多层特征的学习表示,在处理复杂的图像上表现较好。深度学习算法为了能够达到较好的缺陷识别效果,需要大量的训练数据,对训练数据收集要求高,需要更多的计算资源。针对对部分类别的缺陷,结合基于形态特征分析和深度学习分析进行缺陷识别,能够更好地平衡计算资源和缺陷识别准确率。
可选的,在一些示例中,所述结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型,包括:
将缺陷类型分为第一缺陷类型或第二缺陷类型;
对于所有待检测缺陷区域中每一个与所述第一缺陷类型对应的第一待测缺陷区域,通过形态特征分析识别所述每一个第一待测缺陷区域所表征的缺陷类型;
对于所有待测缺陷区域中的每一个与所述第二缺陷类型对应的第二待测缺陷区域,联合形态特征分析和深度学习识别所述每一个第二待测缺陷区域所表征的缺陷类型。
可选的,在一些示例中,所述第一待测缺陷区域包括化学脏污待测缺陷区域,所述第二待测缺陷区域包括崩边待测缺陷区域、划伤待测缺陷区域。
需要说明的是,晶圆表面的化学脏污是由于化学药液的浸染导致晶圆表面出现的大片浸染损伤,该缺陷在下游抛光阶段无法被抛光设备抛除,因此影响晶圆质量而失效。根据化学脏污的面积特征可将化学脏污待测缺陷区域直接判定为化学脏污。本公开将化学脏污待测缺陷区域划分为第一待测缺陷区域,对化学脏污待测缺陷区域仅通过形态特征进行识别。对于一些缺陷的判定,例如崩边及划伤的判定,由于晶圆表面情况的多样性及复杂性,直接将候选区域认定为对应缺陷可能会造成过检情况,将一些本应OK的脏污或浅划伤片检为NG,造成资源的浪费。本公开将崩边或划伤对应的待测缺陷区域划分为第二待测缺陷区域。结合形态特征分析和深度学习对第二待测缺陷区域进行识别和分类,可以减少过检情况的发生,避免将普通脏污识别为严重缺陷而导致晶圆淘汰。
可选的,在另一些示例中,将缺陷类型分为第一缺陷类型或第二缺陷类型,包括:
根据每一个缺陷类型对应的形态特征识别准确率,将缺陷类型分为第一缺陷类型或第二缺陷类型,其中,所述第一缺陷类型的形态特征识别准确率大于所述第二缺陷类型的形态特征识别准确率。
可选的,在一些示例中,所述根据缺陷类型对应的形态特征识别准确率,将缺陷类型分为第一缺陷类型或第二缺陷类型,包括:
分别根据化学脏污缺陷的形态特征识别准确率、崩边缺陷的形态特征识别准确率、划伤缺陷的形态特征识别准确率,化学脏污缺陷为第一缺陷类型,崩边缺陷、划伤缺陷为第二缺陷类型。
需要说明的是,每一个缺陷类型对应的形态特征识别准确率,可以是指针对该缺陷类型对应的待测缺陷区域,基于该缺陷类型的形态特征判定条件正确识别缺陷的概率。一些示例中,每一个缺陷类型对应的形态特征识别准确率,表征了可以通过一个或多个特征明显与其他类型缺陷区分的可能性。例如,化学脏污缺陷可通过面积这一个特征与其他类型缺陷区分。每一个缺陷类型对应的形态特征识别准确率,可根据经验获取。
可选的,在一些示例中,所述根据每一个缺陷类型对应的形态特征识别准确率,将缺陷类型分为第一缺陷类型或第二缺陷类型,包括:
针对每一个缺陷类型,如果所述每一个缺陷类型的形态特征识别准确率大于设定的准确率阈值,所述每一个缺陷类型为第一缺陷类型;
如果所述每一个缺陷类型的形态特征识别准确率小于设定的准确率阈值,所述每一个缺陷类型为第二缺陷类型。
需要说明的是,对于根据缺陷类型分割阈值获得的对应的待测缺陷区域,每一个待测缺陷区域可根据该缺陷类型的形态特征识别准确率划分为第一待测缺陷区域或第二待测缺陷区域。举例来说,化学脏污待测缺陷区域是根据化学脏污分割阈值分割获得的。化学脏污缺陷基于形态特征识别是通过设定面积、宽度、短轴长度、最小外接圆填充率识别缺陷。化学脏污缺陷的形态特征识别准确率大于设定的准确率阈值,无需进一步通过其他手段对化学脏污缺陷的待测缺陷区域辅助识别。化学脏污缺陷为第一缺陷类型,化学脏污对应的待测缺陷区域为第一待测缺陷区域。可以理解地,其他任何缺陷类型通过形态特征的识别准确率能够达到或超过设定的准确率阈值,则该缺陷类型对应的待测缺陷区域属于第一待测缺陷区域。对于形态特征识别准确率无法达到准确率阈值的缺陷类型,该缺陷类型为第二缺陷类型,该缺陷类型对应的待测缺陷区域属于第二待测缺陷区域。比如,划伤缺陷通过设定面积、宽度、最小外接矩形长宽比、最小外接圆填充率、密实度识别,划伤缺陷的形态特征识别准确率低于设定的准确率阈值,无法满足识别准确率要求,则划伤缺陷属于第二缺陷类型,划伤待测缺陷区域属于第二待测缺陷区域。可以理解地,其他任何缺陷类型的形态特征识别准确率无法满足设定的准确率阈值,则该缺陷类型为第二缺陷类型,该缺陷类型对应的待测缺陷区域属于第二待测缺陷区域。
可选的,在一些示例中,所述对于所有待检测缺陷区域中每一个与所述第一缺陷类型对应的第一待测缺陷区域,通过形态特征分析识别所述每一个第一待测缺陷区域所表征的缺陷类型,包括:
对于所有待检测缺陷区域中每一个与所述第一缺陷类型对应的第一待测缺陷区域,根据所述每一个第一待测缺陷区域对应的缺陷类型的形态特征判定条件,识别所述每一个第一待测缺陷区域所表征的缺陷类型。
可选的,在一些示例中,所述对于所有待测缺陷区域中的每一个与所述第二缺陷类型对应的第二待测缺陷区域,联合形态特征分析和深度学习识别所述每一个第二待测缺陷区域所表征的缺陷类型,包括:
对于所有第二缺陷类型中的每一个第二缺陷类型对应的所有第二待测缺陷区域,按照所述每一个第二缺陷类型对应的形态特征判定条件进行筛选,获得所述每一个第二缺陷类型对应的候选区域;其中,所述每一个第二缺陷类型对应的形态特征判定条件包括若干个特征组成的特征集及所述特征集中每个特征的特征值范围;
将所述每一个第二缺陷类型对应的候选区域中的每一个候选区域的图像输入至用于缺陷识别的深度学习模型,获得所述模型输出的疑似缺陷类型;
基于所述每一个第二缺陷类型和所述疑似缺陷类型确定所述每一个候选区域所表征的缺陷类型。
可选的,在一些示例中,所述基于所述每一个第二缺陷类型和所述疑似缺陷类型确定所述每一个候选区域所表征的缺陷类型,包括:
如果所述疑似缺陷类型与所述每一个第二缺陷类型相同,所述每一个候选区域所表征的缺陷类型为所述疑似缺陷类型;
如果所述疑似缺陷类型与所述每一个第二缺陷类型不同,所述每一个候选区域所表征的缺陷类型为脏污。
需要说明的是,对于一些缺陷类型,基于形态特征的识别已经能够满足识别准确率的要求,则其对应的第一待测缺陷区域不需要再进行进一步的识别。对于另外一些缺陷类型,由于图像特征复杂,基于形态特征识别的准确率小,对于第二待测缺陷区域先基于形态特征分析筛选获得候选区域,再对候选区域进行深度学习分析,获取疑似缺陷类型,以最终确定所述每一个第二待测缺陷区域所表征的缺陷类型。因此,对于深度学习模型进行训练时,仅需要收集第二缺陷类型的数据来构建训练数据集,不需要收集第一缺陷类型的训练数据,降低了训练数据收集难度。由于经过基于缺陷类型的筛选和基于形态特征的筛选,不需要对所有的待测缺陷区域进行深度学习分析,减少了处理数据量。结合形态特征分析和深度学习确认最终的识别结果,使得缺陷识别准确度和识别效率满足要求,降低了过检概率。
可选的,在一些示例中,所述方法还包括:
根据全卷积神经网络构建一深度学习初始模型;
针对第二待测缺陷区域对应的多个缺陷类型,收集缺陷图片;
针对每一个缺陷图片,以缺陷中心为中心截取所述每一个缺陷图片中包含缺陷完整图像的正方形区域,构建缺陷训练数据集;
基于所述缺陷训练数据集对所述深度学习初始模型进行训练,获得所述用于缺陷识别的深度学习模型。
需要说明的是,针对第二待测缺陷区域对应的多个缺陷类型,收集缺陷图片;针对每一个缺陷图片,以缺陷中心为中心截取包含缺陷完整图像的正方形区域构建训练数据集,如图11所示的深度学习模型的训练数据示意图所示。上述构建缺陷训练数据集的方法,能够提高深度学习模型缺陷识别的准确度,减少背景区域的干扰。对待测缺陷区域进行识别,而不是对采集获得的原始待测晶圆的采集图像直接基于深度学习模型进行识别,提高了识别效率和准确率。
可选的,在一些示例中,对于每一个待测缺陷区域,识别所述每一个待测缺陷区域所表征的缺陷类型之后,所述方法还包括:
当识别获得第i个待测缺陷区域所表征的缺陷类型之后,根据第i个区域的缺陷类型计算当前待测缺陷区域的严重程度指标;
如果所述严重程度指标满足重度缺陷条件,结束所述待测晶圆的表面缺陷检测;
如果所述严重程度指标不满足重度缺陷条件,结合形态特征分析和深度学习分析,识别第i+1个待测缺陷区域所表征的缺陷类型。
需要说明的是,待测缺陷区域的严重程度指标,是指能够表征该缺陷严重程度的特征值。举例来说,对于化学脏污待测缺陷区域,严重程度指标可以是面积。对于划伤待测缺陷区域,严重程度指标可以是长度或深度。重度缺陷条件是指待测缺陷区域的严重程度指标达到了可导致待测晶圆报废的阈值范围。举例来说,如果一个化学脏污待测缺陷区域识别为化学脏污缺陷,并且该化学脏污待测缺陷区域的面积较大,达到或超过了使待测晶圆报废的重度化学脏污面积阈值,则认为该化学脏污待测缺陷区域的严重程度指标满足重度缺陷条件。其中,化学脏污缺陷的严重程度指标为化学脏污待测缺陷区域的面积,超过重度化学脏污面积阈值为化学脏污缺陷的重度缺陷条件。不同类别缺陷的严重程度指标和重度缺陷条件,可以根据需求分别设置。可以理解地,当待测晶圆中存在一个使该待测晶圆报废的缺陷时,无需对其他未处理的待测缺陷区域继续识别。
可选的,在另一些示例中,对于每一个第一待测缺陷区域,识别所述每一个第一待测缺陷区域所表征的缺陷之后,所述方法还包括:
计算当前第一待测缺陷区域的严重程度指标;
如果所述严重程度指标满足重度缺陷条件,结束所述待测晶圆的表面缺陷检测;
如果所述严重程度指标不满足重度缺陷条件,针对下一个第一待测缺陷区域所表征的缺陷进行识别。
如图10所示一个晶圆表面缺陷识别的实施流程中,当对化学脏污待测缺陷区域的特征判定为化学脏污时,继续进一步判定化学脏污是否满足重度化学脏污判定条件,例如化学脏污面积。如果满足重度化学脏污判定条件,则待测晶圆的质量直接判定为不达标,不需要再对其他待测缺陷区域进行识别。如果不满足重度化学脏污判定条件,则将待测晶圆的质量状态标记为存在化学脏污后,继续对其他待测缺陷区域进行识别。例如,待测晶圆表面存在崩边待测缺陷区域或划伤待测缺陷区域,通过形态特征分析对崩边待测缺陷区域或划伤待测缺陷区域进行筛选,获得崩边缺陷候选区域或划伤缺陷候选区域。再对崩边缺陷候选区域或划伤缺陷候选区域基于缺陷识别深度学习模型进行识别,获得疑似缺陷类型。如果深度学习模型输出的疑似缺陷类型和待测缺陷区域对应的缺陷类型相同,则该待测缺陷区域所表征的缺陷类型为疑似缺陷类型。如果深度学习模型输出的疑似缺陷类型和待测缺陷区域对应的缺陷类型不同,则该待测缺陷区域所表征的缺陷类型为脏污。例如,继续对崩边缺陷候选区域基于深度学习模型进行识别。如果深度学习模型识别结果仍然为崩边缺陷,则该崩边候选区域对应的崩边待测缺陷区域所表征的缺陷类型为崩边缺陷,并标记待测晶圆质量为存在崩边缺陷。如果深度学习模型识别结果不为崩边缺陷,则标记待测晶圆质量为脏污。对划伤缺陷候选区域基于深度学习模型进行识别。如果深度学习识别结果仍然为划伤缺陷,则该划伤缺陷候选区域对应的划伤待测缺陷区域所表征的缺陷类型为划伤缺陷,标记待测晶圆质量为存在划伤缺陷。如果深度学习模型识别结果不为划伤缺陷,则标记待测晶圆质量为脏污。由于崩边待测缺陷区域与划伤待测缺陷区域相互独立,上述两种待测缺陷区域的缺陷识别和待测晶圆质量的标记可以并行执行。
基于前述技术方案相同的发明构思,参见图9,其示出了本公开提供的一种晶圆表面缺陷的检测装置90,所述装置90包括:图像获取部分901、提取部分902、识别部分903;其中,
所述图像获取部分901,经配置为:获取待测晶圆的多个采集图像;;
所述提取部分902,经配置为:对所述多个采集图像中的每一个进行分割,获得待测缺陷区域;
所述识别部分903,经配置为:结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型。
需要说明的是,对于上述装置中,各“部分”所配置功能的具体实现,可参见前述图2所示晶圆表面缺陷的检测方法中相对应步骤的实现方式及其示例,在此不再赘述。
基于前述技术方案相同的构思,本公开还提供一种晶圆质量评估方法,包括:
根据前述晶圆表面缺陷的检测方法获得待测晶圆表面缺陷的识别结果;
根据识别结果对待测晶圆进行质量评估。
需要说明的是,如图10所示,待测晶圆的质量评估综合所有的待测缺陷区域的识别结果对该待测晶圆的质量标记结果,以支撑对待测晶圆的质量评估等级。
基于上述技术方案相同的构思,本公开还提供一种晶圆表面缺陷的检测系统,所述系统包括:
扫描相机10,被配置为:通过多次扫描待测晶圆,采集待测晶圆的多个采集图像;
光源20,被配置为:采集所述待测晶圆的采集图像时照射所述待测晶圆的表面;
计算设备30,被配置:执行时实现前面所述晶圆表面缺陷的检测方法和步骤。
在一些示例中,计算设备30可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种。计算设备30具有通信功能,可以接入有线网络或无线网络。计算设备30可以泛指多个终端中的一个,本领域技术人员可以知晓,上述终端的数量可以更多或更少。在一些示例中,计算设备30可以基于所接入的有线网络或无线网络接收扫描相机20传输的晶圆图像。可以理解地,计算设备30承担本公开技术方案中获取晶圆图像后的计算及处理工作,本公开对此不作限定。
本公开中的计算设备可以包括一个或多个如下部件:处理器和存储器。
可选的,处理器利用各种接口和线路连接整个计算设备内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行计算设备的各种功能和处理数据。可选的,处理器可以采用数字信号处理(DigitalSignal Processing,DSP)、现场可编程门阵列(Field-Programmable GateArray,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics ProcessingUnit,GPU)、神经网络处理器(Neural-network Processing Unit,NPU)和基带芯片等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;NPU用于实现人工智能(ArtificialIntelligence,AI)功能;基带芯片用于处理无线通信。可以理解的是,上述基带芯片也可以不集成到处理器中,单独通过一块芯片进行实现。
存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。可选的,该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器可用于存储指令、程序、代码、代码集或指令集。存储器可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等;存储数据区可存储根据计算设备的使用所创建的数据等。
除此之外,本领域技术人员可以理解,上述计算设备的结构并不构成对计算设备的限定,计算设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,计算设备中还包括显示屏、摄像组件、麦克风、扬声器、射频电路、输入单元、传感器(比如加速度传感器、角速度传感器、光线传感器等等)、音频电路、WiFi模块、电源、蓝牙模块等部件,在此不再赘述。
本公开提供了一种计算机存储介质,所述计算机存储介质存储有晶圆表面缺陷的检测程序,所述晶圆表面缺陷的检测程序被至少一个处理器执行时实现上述技术方案中所述晶圆表面缺陷的检测方法的步骤。
本公开还提供了一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令存储在计算机可读存储介质中;计算设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算设备执行以实现上述各个实施例所述的晶圆表面缺陷的检测方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本公开所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
需要说明的是:本公开所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种晶圆表面缺陷的检测方法,其特征在于,所述方法包括:
获取待测晶圆的多个采集图像;
对所述多个采集图像中的每一个进行分割,获得待测缺陷区域;
结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型。
2.根据权利要求1所述的方法,其特征在于,所述对所述多个采集图像中的每一个进行分割,获得待测缺陷区域,包括:
从所述采集图像中获取晶圆区域图像;
分别根据各缺陷类型对应的分割阈值,获取所述晶圆区域图像中与各缺陷类型分别对应的待测缺陷区域。
3.根据权利要求2所述的方法,其特征在于,所述结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型,包括:
根据缺陷类型对应的形态特征识别准确率,将缺陷类型分为第一缺陷类型或第二缺陷类型,其中,所述第一缺陷类型的形态特征识别准确率大于所述第二缺陷类型的形态特征识别准确率;
对于所有待检测缺陷区域中每一个与所述第一缺陷类型对应的第一待测缺陷区域,通过形态特征分析识别所述每一个第一待测缺陷区域所表征的缺陷类型;
对于所有待测缺陷区域中的每一个与所述第二缺陷类型对应的第二待测缺陷区域,联合形态特征分析和深度学习识别所述每一个第二待测缺陷区域所表征的缺陷类型。
4.根据权利要求3所述的方法,其特征在于,所述分别根据各缺陷类型对应的分割阈值,获取所述晶圆区域图像中与各缺陷类型分别对应的待测缺陷区域,包括:
分别根据化学脏污缺陷分割阈值、崩边缺陷分割阈值、划伤缺陷分割阈值,获取所述晶圆区域图像中对应的化学脏污待测缺陷区域、崩边待测缺陷区域、划伤待测缺陷区域;
所述根据缺陷类型对应的形态特征识别准确率,将缺陷类型分为第一缺陷类型或第二缺陷类型,包括:
分别根据化学脏污缺陷的形态特征识别准确率、崩边缺陷的形态特征识别准确率、划伤缺陷的形态特征识别准确率,化学脏污缺陷为第一缺陷类型,崩边缺陷、划伤缺陷为第二缺陷类型。
5.根据权利要求3所述的方法,其特征在于,所述对于所有待测缺陷区域中的每一个与所述第二缺陷类型对应的第二待测缺陷区域,联合形态特征分析和深度学习识别所述每一个第二待测缺陷区域所表征的缺陷类型,包括:
对于所有第二缺陷类型中的每一个第二缺陷类型对应的所有第二待测缺陷区域,按照所述每一个第二缺陷类型对应的形态特征判定条件进行筛选,获得所述每一个第二缺陷类型对应的候选区域;其中,所述每一个第二缺陷类型对应的形态特征判定条件包括若干个特征组成的特征集及所述特征集中每个特征的特征值范围;
将所有候选区域中的每一个候选区域的图像输入至用于缺陷识别的深度学习模型,获得所述模型输出的疑似缺陷类型;
基于所述每一个第二缺陷类型和所述疑似缺陷类型确定所述每一个候选区域所表征的缺陷类型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述每一个第二缺陷类型和所述疑似缺陷类型确定所述每一个候选区域所表征的缺陷类型,包括:
如果所述疑似缺陷类型与所述每一个第二缺陷类型相同,所述每一个候选区域所表征的缺陷类型为所述疑似缺陷类型;
如果所述疑似缺陷类型与所述每一个第二缺陷类型不同,所述每一个候选区域所表征的缺陷类型为脏污。
7.根据权利要求1所述的方法,其特征在于,对于每一个待测缺陷区域,识别所述每一个待测缺陷区域所表征的缺陷类型之后,所述方法还包括:
当识别获得第i个待测缺陷区域所表征的缺陷类型之后,根据第i个区域的缺陷类型计算当前待测缺陷区域的严重程度指标;
如果所述严重程度指标满足重度缺陷条件,结束所述待测晶圆的表面缺陷检测;
如果所述严重程度指标不满足重度缺陷条件,结合形态特征分析和深度学习分析,识别第i+1个待测缺陷区域所表征的缺陷类型。
8.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据全卷积神经网络构建一深度学习初始模型;
针对第二待测缺陷区域对应的多个缺陷类型,收集缺陷图片;
针对每一个缺陷图片,以缺陷中心为中心截取所述每一个缺陷图片中包含缺陷完整图像的正方形区域,构建缺陷训练数据集;
基于所述缺陷训练数据集对所述深度学习初始模型进行训练,获得所述用于缺陷识别的深度学习模型。
9.根据权利要求2所述的方法,其特征在于,所述从所述采集图像中获取晶圆区域图像,包括:
对所述采集图像中的每一个进行边缘检测和阈值分割,获得晶圆轮廓像素集合;
基于所述晶圆轮廓像素集合进行圆拟合,获得第一晶圆区域;
对所述采集图像中的每一个进行二值化处理,获得第二晶圆区域;
合并所述第一晶圆区域和所述第二晶圆区域,获得最终晶圆区域;
所述采集图像中在所述最终晶圆区域内的部分为晶圆区域图像。
10.一种晶圆表面缺陷的检测装置,所述装置包括图像获取部分、提取部分、识别部分,其中,
所述图像获取部分,经配置为:获取待测晶圆的多个采集图像;
所述提取部分,经配置为:对所述多个采集图像中的每一个进行分割,获得待测缺陷区域;
所述识别部分,经配置为:结合形态特征分析和深度学习分析,识别所有待测缺陷区域中的每一个待测缺陷区域所表征的缺陷类型。
11.一种晶圆表面缺陷的检测系统,其特征在于,所述系统包括:
扫描相机,被配置为:通过多次扫描待测晶圆,采集待测晶圆的多个采集图像;
光源,被配置为:采集所述待测晶圆的采集图像时照射所述待测晶圆的表面;
计算设备,被配置:执行时实现权利要求1至9任一项所述晶圆表面缺陷的检测方法和步骤。
12.根据权利要求11所述的系统,其特征在于,所述扫描相机、所述光源与所述待测晶圆同轴设置,所述光源位于所述扫描相机与所述待测晶圆之间,采集所述待测晶圆的采集图像时,所述光源的光线垂直照射所述待测晶圆表面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311532097.6A CN117392112A (zh) | 2023-11-16 | 2023-11-16 | 一种晶圆表面缺陷的检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311532097.6A CN117392112A (zh) | 2023-11-16 | 2023-11-16 | 一种晶圆表面缺陷的检测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117392112A true CN117392112A (zh) | 2024-01-12 |
Family
ID=89435773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311532097.6A Pending CN117392112A (zh) | 2023-11-16 | 2023-11-16 | 一种晶圆表面缺陷的检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392112A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994250A (zh) * | 2024-04-03 | 2024-05-07 | 武汉罗博半导体科技有限公司 | 晶圆缺陷检测方法、装置、设备及存储介质 |
CN118071979A (zh) * | 2024-04-25 | 2024-05-24 | 无锡星微科技有限公司杭州分公司 | 一种基于深度学习的晶圆预对准方法及系统 |
CN118096767A (zh) * | 2024-04-28 | 2024-05-28 | 成都数之联科技股份有限公司 | 一种晶圆切割不良缺陷检测方法、系统、设备及存储介质 |
-
2023
- 2023-11-16 CN CN202311532097.6A patent/CN117392112A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994250A (zh) * | 2024-04-03 | 2024-05-07 | 武汉罗博半导体科技有限公司 | 晶圆缺陷检测方法、装置、设备及存储介质 |
CN118071979A (zh) * | 2024-04-25 | 2024-05-24 | 无锡星微科技有限公司杭州分公司 | 一种基于深度学习的晶圆预对准方法及系统 |
CN118096767A (zh) * | 2024-04-28 | 2024-05-28 | 成都数之联科技股份有限公司 | 一种晶圆切割不良缺陷检测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
CN117392112A (zh) | 一种晶圆表面缺陷的检测方法、装置及系统 | |
JP5920994B2 (ja) | マイクロプレートのウェル壁境界を識別するための方法及びシステム | |
CN108445011B (zh) | 一种基于深度学习的瑕疵检测系统及方法 | |
JP5351673B2 (ja) | 外観検査装置、外観検査方法 | |
CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
CZ278293A3 (en) | Method of checking eye lenses and apparatus for making the same | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN111474179A (zh) | 镜片表面清洁度检测装置及方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN112396575A (zh) | 基于影像的分类系统 | |
CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
TWI512284B (zh) | 玻璃氣泡瑕疵檢測系統 | |
EP3163604A9 (en) | Position detection apparatus, position detection method, information processing program, and storage medium | |
CN111353992B (zh) | 一种基于纹理特征的农产品缺陷检测方法及系统 | |
CN117252861A (zh) | 一种晶圆表面缺陷的检测方法、装置及系统 | |
CN117350988A (zh) | 一种晶圆表面划痕缺陷的检测方法、装置、介质及系统 | |
CN115170501A (zh) | 缺陷检测方法、系统、电子设备及存储介质 | |
JP2011008482A (ja) | 欠陥検出方法、欠陥検出装置、および欠陥検出プログラム | |
CN117495856A (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN113888539B (zh) | 缺陷分类方法、装置、设备及存储介质 | |
CN109934817A (zh) | 一种果体外部轮廓畸形检测方法 | |
JPH06103275B2 (ja) | 外観検査による欠陥抽出方法 | |
TWI510776B (zh) | 玻璃氣泡瑕疵檢測處理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |